根据目标列中“非递减序列”的自然断点（即当前值小于前一值时），将 dataframe 划分为多个连续子组，每个子组内元素满足 a[i] ≥ a[i−1]，适用于识别单调上升趋势的起止区间。
根据目标列中“非递减序列”的自然断点（即当前值小于前一值时），将 dataframe 划分为多个连续子组，每个子组内元素满足 a[i] ≥ a[i−1]，适用于识别单调上升趋势的起止区间。
在数据分析中，常需按数值趋势对数据进行逻辑切片——例如识别价格持续上涨的时段、用户行为连续增强的周期等。本例的核心需求是：每当列值出现下降（即破坏非递减性），就开启一个新组；否则延续当前组。这本质上是检测“升序 streak”的边界。
关键在于构造一个能反映分组变化的辅助标识列。df['a'].diff() 计算相邻行差值（默认向前差分，即 a[i] - a[i-1]），结果为正/零表示上升或持平，为负则表示下降。我们用 .lt(0) 将其转为布尔 Series：True 表示“此处发生下降，应作为新组起点”。再通过 .cumsum() 对 True 累计求和，即可生成唯一且递增的组编号（每遇到一次下降，累加器 +1）：
import pandas as pd
df = pd.DataFrame({'a': [10, 14, 20, 10, 12, 5, 3]})
group_ids = df['a'].diff().lt(0).cumsum()
print("Group IDs:", group_ids.tolist()) # [0, 0, 0, 1, 1, 2, 3]该 group_ids 序列天然满足分组要求：索引 0–2 同属第 0 组（10→14→20 未下降），索引 3 处 10 < 20 触发 True，ID 变为 1，后续同理。
最终，使用 df.groupby(group_ids) 即可完成切分：
dfs = [d for _, d in df.groupby(group_ids)]
for i, sub_df in enumerate(dfs):
print(f"\nGroup {i}:\n{sub_df}")输出：
Group 0:
a
0 10
1 14
2 20
Group 1:
a
3 10
4 12
Group 2:
a
5 5
Group 3:
a
6 3⚠️ 注意事项：
- 此方法默认首行属于第 0 组（因 diff() 首行为 NaN，.lt(0) 返回 False，不影响累加）；
- 若需严格“严格升序”（排除相等情况），将 .lt(0) 改为 .le(0) 并配合额外逻辑处理相等情形；
- 对于大型 DataFrame，该方案时间复杂度为 O(n)，高效且无需循环，符合 pandas 向量化最佳实践。
